【技术实现步骤摘要】
深度学习神经网络进化方法、装置、介质和计算机设备
本专利技术涉及计算机
,特别是涉及一种深度学习神经网络进化方法、装置、介质和计算机设备。
技术介绍
神经网络是一种进行分布式并行信息处理的算法数学模型,常用于智能机器识别。深度学习神经网络是通过样本数据训练进行深度学习并通过测试之后得到的神经网络,其中,深度学习分有监督学习和无监督学习。通常在得到深度学习神经网络之后,深度学习神经网络不会更改,即在已训练深度学习神经网络的使用过程中不会改变。然而,深度学习神经网络的训练和测试的数据毕竟有限,准确率不能保证,且随着已训练深度学习神经网络的使用过程中输入的数据随时间发生变化,当使用时间较长时,深度学习神经网络的准确率降低。例如识别某个人的人脸识别深度学习神经网络,当这个人随着年龄增长,其脸也在不断发生变化,所以该人脸识别深度学习神经网络的适用性在不断地变差,准确率降低。
技术实现思路
基于此,有必要针对传统的深度学习神经网络准确率低的问题,提供一种可提高深度学习神经网络准确率的深度学习神经网络进化方法、装置、介质和计算机设备。一种深度学习神经网络进化方法,包括:调取已训练的深度学习神经网络,将输入数据输入已训练的深度学习神经网络进行深度学习,得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据;按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据;将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组;计算每个数据组中输出数据与同组内对应的真实结果数据的差异值,以所述使用时间 ...
【技术保护点】
一种深度学习神经网络进化方法,其特征在于,包括:调取已训练的深度学习神经网络,将输入数据输入已训练的深度学习神经网络进行深度学习,得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据;按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据;将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组;计算每个数据组中输出数据与同组内对应的真实结果数据的差异值,以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组,统计所述差异组的组数;若所述组数大于或等于存储的组数阈值,则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练,得到进化后的深度学习神经网络。
【技术特征摘要】
1.一种深度学习神经网络进化方法,其特征在于,包括:调取已训练的深度学习神经网络,将输入数据输入已训练的深度学习神经网络进行深度学习,得到输出数据并记录使用时间及获取对应所述输入数据的真实结果数据;按照预设的抽查规则选取已训练的深度学习神经网络使用过程中的输入数据、输出数据、使用时间和真实结果数据;将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组;计算每个数据组中输出数据与同组内对应的真实结果数据的差异值,以所述使用时间属于预设时间段内的所有数据组中、对应差异值大于预设阈值的数据组为差异组,统计所述差异组的组数;若所述组数大于或等于存储的组数阈值,则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练,得到进化后的深度学习神经网络。2.根据权利要求1所述的深度学习神经网络进化方法,其特征在于,所述将选取的输入数据及对应的输出数据、对应的真实结果数据和对应的使用时间组成一个数据组之后,所述若所述组数大于或等于存储的组数阈值,则将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练,得到进化后的深度学习神经网络之前,还包括:根据所述数据组获取当前的组数阈值并存储。3.根据权利要求2所述的深度学习神经网络进化方法,其特征在于,所述根据所述数据组获取当前的组数阈值并存储,包括:统计所述使用时间属于所述预设时间段内的数据组的总组数;根据所述总组数计算得到当前的组数阈值并存储,其中,当前的组数阈值小于所述总组数。4.根据权利要求3所述的深度学习神经网络进化方法,其特征在于,所述根据所述总组数计算得到当前的组数阈值并存储,包括:计算所述总组数与第一预设比例的乘积得到当前的组数阈值并存储,所述第一预设比例大于零且小于1。5.根据权利要求2所述的深度学习神经网络进化方法,其特征在于,所述根据所述数据组获取当前的组数阈值并存储,包括:统计所述使用时间属于预设参考时间段内的数据组中、对应差异值大于所述预设阈值的数据组的数量;根据所述数量计算得到当前的组数阈值并存储。6.根据权利要求5所述的深度学习神经网络进化方法,其特征在于,所述预设时间段为以当前时刻为结束点的对已训练的深度学习神经网络进行预设次数的使用的时间段,或所述预设时间段为以当前时刻为结束点、时长为第一预设时长的时间段;所述预设参考时间段为以预设起始时刻为起始点、预设结束时刻为结束点的时间段,或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、时长为所述第一预设时长的时间段,或所述预设参考时间段为以已训练的深度学习神经网络第一次使用的时刻为起始点、使用次数为所述预设次数的时间段,或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、时长为所述第一预设时长的时间段,或所述预设参考时间段为以当前时刻的第二预设时长之前的时刻为结束点、使用次数为所述预设次数的时间段;其中,第二预设时长大于第一预设时长。7.根据权利要求1所述的深度学习神经网络进化方法,其特征在于,所述将每一个差异组中的输入数据和真实结果数据分别作为输入和预期输出对已训练的深度学习神经网络进行训练,得到进化后的深度学习神经网络,包括:将所有差异组中的输入数据输入已训练的深度学习神经网络进行无监督学习,得到初步进化的深度学习神经网络;将所有差异组中的输入数据和对应...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。